机器学习、深度学习等人工智能技术在工业界的应用状况是怎样的?人力供需状况如何?

2016年9月20日 | By News | Filed in: 未分类.

Source: http://daily.zhihu.com/story/8805100

日报标题:在日本,人工智能用来捡垃圾,效果拔群


Tomi,IT engineer, Tokyo

国内的情况不了解,本人在东京从事人工智能的工作,日本这边人工智能技术应用于工业界的比较多,随便举几个例子吧:

(1)代替肉眼检查作业,实现制造检查智能化和无人化

例如工程岩体的分类,目前主要是通过有经验的工程师通过仔细鑑别来判断,效率比较低,并且因人有不同的判断偏差。通过採用人工智能,把工程师的经验转化为深度学习算法,判断的淮确率和人工判断相当。得到对应的权值后开发出 app,这样现场工程人员在使用 tablet 拍照后,就可以通过 app 自动得到工程岩体分类的结果,高效且淮确率高。

还有汽车零部件厂商,目前检查生产出的零件磨损种类与等级情况时,多是有经验的人工。同样,通过採用深度学习算法,可以把人工的检测经验转化为算法,从而实现无人化检测。

(2)大幅改善工业机器人的作业性能,提升製造流程的自动化和无人化

例如 bin picking 机器人,工业上有许多需要分捡的作业,如上图所示的零件分捡,採用人工的话,速度缓慢且成本高,而且还需要提供适宜的工作温度环境(夏天的空调,冬天的暖气等),如果採用工业机器人的话,可以大幅减低成本,提高速度。但是,一般需要分捡的零件是没有整齐摆放的,机器人虽然有 camera 看到零件,但却不知道如何把零件成功的捡起来。这种情况下,使用机器学习,先让工业随机的进行一次分捡动作,然后告诉它这次动作是成功分捡到零件还是抓空了,经过多次训练之后,机器人会知道按照怎样的顺序来分捡,会有更高的成功率,如下图。

(上面的图片显示,经过机器学习后,机器人知道了分捡时夹圆柱的哪个位置会有更高的捡起成功率)

(上面的图片表明通过机器学习后,机器人知道按照按照怎样的顺序分捡,成功率会更高,图中数字是分捡的先后次序)

(上面的图片显示,经过 8 个小时的学习后,机器人的分捡成功率可以达到 90%,和熟练工人的水平相当)

(3)工业机器人异常的提前检知,从而有效避免机器故障带来的损失和影响

这方面和 IoT(Internet of Things)结合比较多。例如在製造流水线上,有大量的工业机器人。如果其中一个机器人出现了故障,当人感知到这个故障时,可能已经造成大量的不合格品,从而带来不小的损失。如果能在故障发生以前就检知的话,可以有效做出预防,减少损失。例如下图的工業机器人减速机和主轴,如果给它们配上 sensor,并提前採取它们正常/不正常工作时的波形,电流等信息,用于训练机器学习系统,那么训练出来的模型就可以用来提前预警,实际的数据也表明人工智能会比人更早地预知到故障,从而降低损失。

(上图表明,经过机器学习后,模型通过观测到的波形,可以检知到人很难感知到的细微的变化,并在工业机器人彻底故障的之前的数星期,就提出有效预警)

(上图是利用机器学习来提前预警主轴的故障,一般人都是主轴出现问题后才知道)

(4)例如工业上的 3D 模型设计完成后,需要根据 3D 模型中参数,寻找可对应的现实中的零件,用于製造实际的产品。使用机器学习来完成这个任务的话,可以快速,高匹配率的找出符合 3D 模型参数的那些现实零件。

(上图是根据 3D 模型设计的参数,机器学习模型计算各个现实零件与这些参数的类似度,从而筛选出匹配的现实零件。没有使用机器学习时,筛选的匹配率大概是 68%,也就是说,找出的现实零件中有 1/3 不能满足 3D 模型设计的参数,而使用机器学习后,匹配率达到了 96%)

(5)PCB 电路板的辅助设计

任何一块印制板,都存在著与其他结构件配合装配的问题,所以,印制板的外形和尺寸,必须以产品整机结构为依据,另外还需要考虑到生产工艺。层数方面,也需要根据电路性能要求,板尺寸和线路的密集程度而定。如果不是经验丰富的技术人员,很难设计出合适的多层板。通过机器学习,可以将技术人员的经验转化为模型,从而提升 PCB 设计的效率与成功率。

除了以上的例子,机器学习在日本还有各种各样的应用,如下图中利用机器学习来进行糖尿病的诊断等,准确率很高。

总结一下,国内的话,人工智能应用于互联网的情况比较多,日本这边的人工智能技术更多是用来服务于制造业的。许多日本製造业公司正在通过人工智能实现制造智能化、最大程度减少人力、提升製造品质。


Comments are closed here.